[发明专利]一种基于场景先验和特征再融合的航空图像车辆检测方法

说明书

本发明公开了一种基于场景先验和特征再融合的航空图像车辆检测方法，属于航空图像处理技术领域。对包含待测目标的原始航空图像训练集，进行训练集的图像数据增广后，依次进行图像数据预处理和真值标签预处理；根据图像数据预处理得到的子图像和真值标签预处理后的单通道标签图训练语义分割网络模型；将子图像与单通道标签图连接成四通道图像，输入改进的进行特征二次融合的目标检测网络模型；并采用端对端方式对改进的目标检测网络模型进行训练；对包含待测目标的每张原始航空图像，利用训练好的改进后的目标检测网络模型进行车辆预测。本发明具有较大的检测速度优势，具有更高的鲁棒性，对小目标的检测具有更高的准确性和召回率。

技术领域

本发明属于航空图像处理技术领域，具体涉及一种基于场景先验和特征再融合的航空图像车辆检测方法。

背景技术

航空图像是指由飞机、无人飞行器或氢气球等航空器上的成像平台，采集得到的对地遥感图像。根据航空器的不同，航空图像的成像高度从数百米到几万米不等。随着近年来航空成像设备成像质量的不断提高和民用无人飞行器的普及，航空图像在各领域都得到了广泛的应用，例如地表勘探、地图测绘、车流人流监测以及移动目标追踪等等，这也对航空图像的目标检测任务提出了更高的要求。

目标检测任务涵盖了两个相对独立的子任务，即目标的定位和分类。目标定位主要目的是判断待测图像中是否存在特定的物体，若存在则输出目标物体的边界框、目标中心或目标的闭合边界等。目标分类主要是判别结果中目标的所属类别，输出带有概率值的标签信息，例如在车辆检测任务中即为当前车辆属于某种类型车辆的概率。

目前基于神经网络的目标检测方法主要分为两种：即单阶段检测和双阶段检测。单阶段检测法直接根据预设的边界框对落在该边界框范围内的物体进行分类和位置坐标回归；而双阶段检测法首先通过候选区域生成网络得到可能属于目标的区域，再将其输入到网络检测头，进行进一步分类和回归。

与常规场景图像不同，航空图像的尺寸往往很大，覆盖地表范围广，并且地物分布具有密集性和相似性；其次，由于成像距离较远，航空图像相比常规场景图像没有明显的前景和背景信息可供利用；此外，图像中车辆目标尺寸小、形态颜色差异大、受光霾雾等噪声影响明显。因此，直接将现有的常规场景目标检测方法应用于航空图像车辆检测将导致检测结果的准确率和召回率偏低，不能够满足任务的需要。另外，航空图像中车辆分布具有一定的场景和空间规律性，现有的方法未能利用场景类别作为先验信息来改善车辆检测性能。

发明内容

针对航空图像中的车辆目标检测任务，为提升检测结果的准确率和召回率同时满足一定的实时性要求，本发明结合图像语义分割网络和双阶段目标检测网络，提出一种基于场景先验和特征再融合的航空图像车辆检测方法。

具体步骤如下：

步骤一、对包含待测目标的原始航空图像训练集，进行训练集的图像数据增广；

待测目标是指每张航空图像中出现的所有车辆；

图像数据增广包括尺寸空间增广和色彩空间增广；

尺寸空间增广是指：针对训练集中所有原始航空图像，根据金字塔缩放的方式，按照不同比例因子的个数进行分组，对每组中的各图像通过双线性插值进行缩放，得到增广数据集，进而学习到目标的多尺度特征。

色彩空间增广是指：针对训练集中所有原始航空图像，随机分成若干组，分别对每组图像进行饱和度、亮度、对比度或锐度等随机的改变。

步骤二、针对增广后的训练集，依次进行图像数据预处理和真值标签预处理；

图像数据预处理是对增广后的训练集采用重叠裁剪分片进行区块化的分割，得到子图像；

区块化分割具体为：针对某一方向上分块的窗口长度w，使用步长Δs＝(1-α)w来更新下一次的分块起点，0α1表示重叠率。